Recursive Rilis Flint, Model AI Coding Terbuka yang Bisa Dijalankan Secara Lokal

Perusahaan kecerdasan buatan Recursive memperkenalkan Flint pada 21 Oktober 2026 sebagai model AI coding terbuka yang dirancang untuk membantu pengembang menulis, memperbaiki, dan menguji kode secara lokal. Model ini menggunakan arsitektur Mixture-of-Experts dengan 39,8 miliar parameter, tetapi hanya mengaktifkan sekitar 2,5 miliar parameter untuk setiap token yang diproses. Pendekatan tersebut memungkinkan penggunaan komputasi yang lebih efisien dibandingkan model padat berukuran serupa. Dengan dukungan perangkat Apple Silicon dan GPU NVIDIA, Flint menawarkan alternatif bagi developer yang mengutamakan kecepatan, privasi, serta kontrol terhadap lingkungan pengembangan. Kehadirannya turut memperluas pilihan TEKNOLOGI AI coding yang dapat dijalankan tanpa selalu bergantung pada layanan cloud.

Inovasi Model AI Lokal dari Recursive untuk Pemrograman Modern

Flint dikembangkan oleh Recursive sebagai model AI terbuka untuk membantu aktivitas coding. Tidak seperti asisten AI yang dirancang terutama untuk komunikasi sehari-hari, Flint ditujukan untuk menangani pekerjaan rekayasa perangkat lunak. Kemampuan tersebut berkaitan dengan pemahaman struktur proyek, identifikasi serta perbaikan masalah kode, penambahan fungsi perangkat lunak, dan pembuatan test case. Dengan pendekatan ini, programmer memperoleh alat bantu dalam menyelesaikan tugas. Meski menawarkan kemampuan luas, kode yang dihasilkan perlu diuji sebelum digunakan. Prinsip pengawasan ini penting untuk menjaga kualitas perangkat lunak.

Keunggulan penting model Recursive ini adalah ketersediaan bobot model secara terbuka. Perusahaan menyediakan Flint dengan lisensi Apache 2.0 yang memberikan fleksibilitas penggunaan. Dengan ketersediaan tersebut, pemrosesan AI tidak harus selalu dilakukan pada server pihak ketiga. Pendekatan penggunaan lokal menarik bagi pengembang yang menangani kode sensitif. Namun perlu dipahami, penggunaan Flint tetap memerlukan perangkat keras yang sesuai. Sebagai hal yang perlu diperhatikan, penggunaan layanan tambahan dapat memengaruhi privasi. Berkat pemahaman tersebut, manfaat AI lokal dapat diperoleh secara lebih optimal.

Teknologi Model AI 40 Miliar Parameter yang Efisien

Flint menggunakan Mixture-of-Experts atau MoE yang memungkinkan penggunaan sebagian parameter saat inferensi. Secara keseluruhan, Flint memiliki sekitar 39,8 miliar parameter. Namun, jumlah parameter yang digunakan per token sekitar 2,5 miliar. Karakteristik arsitektur ini memungkinkan pemrosesan lebih ringan dibandingkan model padat tertentu. Berbeda dari pendekatan MoE, beban inferensi melibatkan bagian model yang lebih luas. Sementara itu, hanya sejumlah komponen ahli dilibatkan. Berkat pemilihan komponen yang selektif, kebutuhan operasi dapat ditekan.

Untuk menangani proyek pemrograman kompleks, Flint menyediakan jendela konteks sekitar 262 ribu token. Ukuran konteks ini memberikan kesempatan menganalisis bagian proyek yang luas. Untuk menggambarkan manfaatnya, pengembang dapat memasukkan beberapa file terkait. Namun demikian, hasil dapat menurun ketika instruksi terlalu panjang atau kompleks. Untuk menjaga efektivitas, pengembang dianjurkan memberikan instruksi terstruktur. Untuk mengurangi kesalahan, referensi kode harus dipilih berdasarkan kebutuhan. Pendekatan tersebut membuat proses analisis lebih terarah.

Dukungan Hardware untuk Menjalankan Model AI Coding Flint

Tim pengembang Flint menyiapkan dukungan pemrosesan untuk perangkat lokal agar Flint dapat digunakan pada perangkat Apple Silicon. Menurut hasil benchmark Recursive, Flint mampu menghasilkan lebih dari 125 token per detik pada MacBook Pro tertentu. Pada perangkat NVIDIA tertentu, hasil inferensi disebut melampaui 150 token per detik pada lingkungan pengujian tertentu. Hasil pengujian tersebut menunjukkan potensi respons yang cepat. Meski hasilnya menarik, performa dipengaruhi quantization dan runtime. Dalam penggunaan nyata, angka benchmark tidak seharusnya dianggap sebagai jaminan universal.

Untuk mempermudah penggunaan, Flint tersedia dalam sejumlah konfigurasi inferensi. Konfigurasi model yang tersedia adalah BF16 yang digunakan sebagai checkpoint dasar. Untuk mengurangi kebutuhan memori, Recursive menyediakan checkpoint quantization seperti NVFP4 dan GGUF. Varian bobot yang lebih kecil membantu memungkinkan inferensi pada perangkat yang lebih terbatas. Meskipun format ringkas tersedia, kebutuhan perangkat tetap bergantung pada ukuran model serta konteks. Oleh karena itu, pengguna perlu memeriksa kapasitas memori. Melalui pemilihan versi yang tepat, proses inferensi dapat berjalan lebih efisien.

Panduan Menggunakan Flint melalui Ollama dan Runtime AI

Metode yang dapat dipertimbangkan untuk mengoperasikan model AI Flint adalah menjalankan model melalui runtime Ollama. Ollama merupakan alat untuk menjalankan model bahasa pada perangkat. Setelah Ollama dipasang, langkah berikutnya adalah mengakses command line. Instruksi terminal ollama run flint memulai penggunaan Flint melalui Ollama. Ketika model selesai dimuat, developer bisa mengajukan pertanyaan tentang kode. Walaupun langkah dasarnya sederhana, fungsi pengeditan file bergantung pada integrasi tools yang digunakan.

Untuk lingkungan pengembangan yang berbeda, Flint juga mendukung beberapa ekosistem inferensi. Alternatif yang dapat digunakan mencakup llama.cpp, LM Studio, dan vLLM. Selain itu, Recursive mengembangkan mesin inferensi lokal bernama rec. Sistem pemrosesan lokal tersebut ditujukan untuk perangkat Apple Silicon tertentu. Dalam kebutuhan agen coding, Flint dapat dipadukan dengan OpenHands. Melalui dukungan sistem agen, model dapat diberikan kemampuan membaca file dan menjalankan tools. Walaupun integrasi tersebut bermanfaat, perintah otomatis sebaiknya dijalankan dalam lingkungan aman. Pengendalian izin tersebut menjaga keamanan repository dan lingkungan kerja.

Keunggulan dan Keterbatasan Model AI Coding Terbuka

Recursive merancang Flint untuk menyelesaikan tugas coding secara bertahap. Untuk menggambarkan penggunaannya, programmer bisa menggunakan Flint untuk menelusuri kesalahan. Melalui integrasi agen, sistem bisa membaca file terkait dan menyarankan perubahan sebelum solusi dievaluasi menggunakan proses validasi. Selain perbaikan kesalahan, Flint berguna dalam implementasi komponen aplikasi serta menulis pengujian perangkat lunak. Penggunaan model dalam beberapa tahapan membantu mempercepat proses implementasi tertentu. Namun demikian, solusi tidak boleh langsung dianggap benar. Langkah tersebut penting terutama pada aplikasi produksi.

Sebagai bagian dari peluncuran Flint, Recursive melaporkan pencapaian pada pengujian agentic coding. Untuk benchmark tugas terminal, Flint mencatat hasil 54,9 persen. Pada evaluasi lainnya, Flint dilaporkan memperoleh 89,7 persen pada SWE-bench Pro v2, sedangkan SWE-bench Verified mencapai 74,2 persen. Angka evaluasi tersebut perlu dibaca sebagai hasil yang dipublikasikan perusahaan. Dalam menilai performa sebenarnya, perbedaan lingkungan benchmark dapat memengaruhi angka. Selain itu, hasil benchmark tidak menjamin semua tugas selesai dengan benar. Berdasarkan keterbatasan evaluasi, pengujian langsung tetap diperlukan.

Prospek Flint untuk Teknologi Pemrograman Berbasis Kecerdasan Buatan

Rilis model terbuka dari Recursive menjadi perkembangan menarik dalam teknologi kecerdasan buatan. Berkat desain model MoE yang efisien, Flint dirancang memberikan inferensi cepat. Kemampuan menangani informasi proyek yang luas serta pilihan menjalankan model pada perangkat sendiri memberikan fleksibilitas dalam penggunaan. Selain itu, ketersediaan bobot model terbuka memberikan ruang pengembangan komunitas. Meski kemampuan model terus berkembang, pengawasan manusia tetap diperlukan. Di tengah perkembangan TEKNOLOGI AI, AI coding terbuka dapat memperluas pilihan developer. Bagaimana pandangan Anda, apakah AI coding lokal dapat menggantikan sebagian kebutuhan layanan cloud? Silakan bagikan pendapat Anda mengenai Flint.